ハイブロー理論
ちょっとした些細なことと歴史
たとえば、エンタープライズレベルの最新のソフトウェアは非常に複雑です。 「スケールファクター」は問題を悪化させます。システム間の規模が大きくなればなるほど、部品間の接続数が増加するにつれて、その複雑さは急速に大きくなります。
MASはシステムを単純化する方法の1つです。MASは、システム内の内部接続の数を減らすことができるためです（考えてみれば、これはほぼすべての自律型AIシステムについて言えることです）。
当初、MASは分散AIシステムとして登場しました。 1980年に、分散AI問題解決者に関する最初のセミナーがMITで開催され、多くのエージェントと悪魔の効果的な調整、黒板システムの開発、その他多数の問題が提起されました。 1980年をMACの誕生と考える人もいます。
仕事の一般原則
明らかに、マルチエージェントシステムは従来のシステムとはまったく異なります。 そして、最初の目標はAIタスクの正確な並列処理でしたが、現在の主な重点は個別の処理です（並列FIRとは異なり、エージェントは、sim-lifeの例に見られるように、互いに競合するなど、同じタスクを解決しないことがよくあります）。エージェントの「社会的」行動。 興味深いことに、MASにより、ある人を同じエージェントと見なすことができます。 オペレーターを徐々にコンピューターエージェントに置き換えた場合、これから利益を引き出すことができます。
より明確な定義：
- 状況-エージェントが環境を認識し、何らかの形で環境を変更できることを意味します。 エージェントが「感じる」ことができるすべてのものと、エージェントが対話できるすべてのもの（他のエージェントを含む）は、周囲の世界に含まれています。
- 自律-エージェントは、他のエージェントの介入なしで環境と対話できます。
- 柔軟性-エージェントの応答性または慎重さ（状況に応じて）。 応答性は、エージェントが環境にタイムリーに応答し、それに応じて行動することを前提としています。 慎重性は、エージェントが環境の変化に対応するだけでなく、さまざまな状況で事前に準備し、適応し、代替案を選択することも想定しています。 明らかに、慎重さはより困難な作業であり、応答性はより単純なエージェントの特徴です。
- 社会性-エージェントは、自分の狭いタスクを単独で解決するだけでなく、彼を取り巻くエージェントと相互作用し、システムのより一般的な問題を共同で解決しなければなりません。 このために、通常、エージェント（相互作用）がエージェントに組み込まれ、エージェントが相互に交渉して問題を解決できるようにします。
特徴
そこで、一般的な原則を学びました。 次に、MACの品質について興味深い結論を導き出します。
- 「エージェント」は「システム」よりも一般的な概念です。 したがって、複雑なシステムの任意の部分をエージェントとして表すことができます。 エージェントとして「OK」ボタンを考慮することの妥当性に影響を与えることなく、これによりシステム全体を普遍的に考慮することができることに注意してください-時間（コンピューターエージェントによる人間のオペレーターの置き換えを伴う上記の例）とシステムの構造の両方の柔軟性の利点を提供します。
- 一般に、エージェントは相互に対話するために「マネージャー」を必要としません。 これにはソーシャルプロトコルがあります-リソースとデータの交換に同意し、整理することができます。 ただし、これによってエージェントマネージャーを作成することは不可能ではありません。エージェントマネージャーとIRLとして交渉し、スコアリングしてから、「責任ある従業員の行動」のリストに追加することができます。
- エージェントは多くの場合、厳格な責任を負いません。 事実、多数の「非常にエグゼクティブ」なエージェントでシステムの安定性を達成することは非常に困難です（だれも信じない-OSリソースを計画するときのデッドロックについて読んでください）。 このため、エージェントは、内部の考慮事項に応じて、非常に高速で完全な実行から無視まで、外部リクエストに対して非常に異なる反応をすることができます。 この非保証型サービスの不足を解消するために、ソーシャルプロトコルが使用されます。 その結果、デメリットは大きな利点に変わります-膨大な数のリソースの最も複雑なスケジューリングアルゴリズムに困惑する代わりに、タスクを与えるだけで、エージェント自身がそれを分解し、その対処方法とリソースの割り当て方法を決定します。 この方法の欠点は、不確実性と、高負荷下でキューが蓄積する可能性です。 キューは、システム全体のニーズを満たすレベルで処理されます。不確実性は、エージェント間ですべてが決定されるという事実の反対側にすぎません。 その結果、すべてが非常に美しくなります。
2つの例
物流
ロジスティクスは、マルチエージェントシステムの伝統的かつ最も発展した使用分野の1つです。 これは、効率が優れているためです（MASを使用する場合、手動計算と比較して、コストを数百パーセントに削減できます）。 効率性は、十分な数の商品の供給者と十分な数の消費者がロジスティクスに存在するという事実により達成され、同時に、消費するよりも多くを供給する準備ができています。 その結果、MASの「限られたリソースの乱闘」で最も危険な状況は発生しません。
ロジスティクスのエージェントは、サプライヤー、消費者、宅配業者に分かれています。 各クーリエのタスクは、輸送の負荷を最適化することです（「トラック」がボリューム/負荷容量によって正確に詰められるように、空のフライトができる限り少なくなるようにします）、ルートの最適化（経路と時間を最小限にしますが、他のパラメーターも可能です）たとえば、路面の品質、警察ブースの頻度など）。 仕事の条件は、配達注文の完全な実施と、サプライヤーから十分な量のリソースを取得する能力です。
キャンドル工場
仕事の原理をもう一度示すための抽象的な例。
通常、生産計画は難しく、重要な作業です。 最適な方法で作業できるように、すべてのパフォーマー（人と機械の両方）に必要な数の部品を時間通りに提供する必要があります。 同時に、一部のパフォーマーの仕事の結果は、他の人の仕事に直接影響します（以前に生産された部品は仕事に必要です）および間接的に（製品を組み立てるためにいくつかのタイプの部品が必要です-ない場合は、2番目の部品を制限なしに作成し続けることはできません）。 これらすべてを手動で計算することは、特に本番環境が配布されている場合、地獄のような作業です。 マルチエージェントシステムを使用する場合、すべてが多少簡素化されます。実行エージェント、クーリエエージェント（1台のマシンから別のマシンに製品を配送）が作成され、製品の量と生産スケジュールが設定されます。 エージェントは最初に一連の要求を順番に作成し（おそらく、結婚レベルやその他の機能を考慮して）、各実行者に必要なボリュームと実行時間のタスクを提供すると同時に、注文の実行チェーンに沿って実行者からの待機を行います。 クーリエパラメーターは、パフォーマー間で一度に転送されるパーツのサイズと数を指定します（一度に3つの小さな箱または1つの大きなエンジンを輸送できます-逆はできません）誰かが故障したり、結婚したり、他の小惑星が落ちた場合-適切な場所での生産（エージェントの義務を有効に保つために）スケジュールが変更されており、あるレベルでは、どこかで何かが壊れていることさえ気付かないでしょう。 そして、それが目立つ場所では、半製品を置く場所がないときではなく、ほぼ故障の時にそれについて学びます。
終わり
これは結論を引き出すものではなく、結論でもないため、「終わり」があります。
この記事を書くとき、私はLuger人工知能システムの一般的な問題に関する素晴らしい本、少し個人的な経験（小さなsymlifeを作りました）、そして分散SIIの問題に関する多くの異なる関連資料を使用しました。 MASの助けを借りて物流の問題を解決するソフトウェアに取り組んでいる特定の国際企業を強調したいと思います（「ロジスティクス」の例の基礎はそこから取られています）。
参照：
ジョージF.ルガー人工知能。 複雑な問題を解決するための戦略と方法。 第4版：あたり 英語から -M .:ウィリアムズ出版社、2003-846s。
Upd：尊敬されている映画アカデミーに感謝します（何を知っているのかはわかりませんが、母が出産して私を育ててくれたこと、UFOが飛んで招待してくれたことに感謝します））